Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Caerur Rozikin
Universitas Singaperbangsa Karawang
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Botol Plastik dan Kaleng Minuman Menggunakan Metode Support Vector Machine Ayunisa Yasmin; Hidayanthi Dwi Puja; Erizka Nia Ramadhani; Caerur Rozikin
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.10343

Abstract

Pengelolaan sampah anorganik, khususnya material botol plastik dan kaleng minuman, merupakan tantangan lingkungan yang membutuhkan solusi otomasi pemilahan cerdas berbasis pengolahan citra digital. Pemilahan manual yang selama ini diterapkan dinilai kurang efisien. Penelitian ini mengusulkan sistem klasifikasi citra sampah menggunakan algoritma Support Vector Machine (SVM) dengan pendekatan ekstraksi fitur gabungan (feature fusion). Untuk mengatasi bias model akibat ketidakseimbangan data (data imbalance), dataset Bottles and Cans diseimbangkan secara proporsional. Pipeline sistem mencakup prapemrosesan menggunakan filter Gaussian Blur untuk mereduksi noise, serta segmentasi Otsu Thresholding untuk memisahkan objek dari latar belakang. Fitur yang diekstraksi meliputi morfologi, statistik warna HSV, serta tekstur Gray-Level Co-occurrence Matrix (GLCM) yang menghasilkan 96 dimensi representasi objek. Optimasi hyperparameter model dilakukan melalui GridSearchCV dengan skema 5-fold Cross-Validation. Hasil pengujian pada data uji menunjukkan bahwa model SVM dengan kernel RBF (C=10, Gamma='scale') mencapai akurasi sebesar 93,33%, dengan F1-Score 93,41% dan ROC-AUC 0,981. Temuan ini mengonfirmasi bahwa kombinasi handcrafted features yang dioptimasi mampu memberikan performa klasifikasi yang tangguh dan efisien untuk diimplementasikan pada sistem pemilahan sampah otomatis skala menengah.
Co-Authors Ayunisa Yasmin Erizka Nia Ramadhani Hidayanthi Dwi Puja